线性代数 第一章——行列式

参考课程:https://www.bilibili.com/video/BV1194y1f7vr/?spm_id_from=333.1387.collection.video_card.click&vd_source=8f8a7bd7765d52551c498d7eaed8acd5

一、行列式的概念

1、排列

(1)把n个不同的元素排成一列,就称之为这n个元素的n级排列,简称排列,记为

(2)n个不同的元素共有n!种不同的n级排列,举例来说:

        有3个元素——1、2、3,它们共有3!=6种排列,分别为“1 2 3”、“1 3 2”、“2 1 3”、“2 3 1”、“3 1 2”、“3 2 1”

2、逆序

3、对换

4、奇排列与偶排列

5、行列式及对角线法则

(1)对于一个二阶行列式,其计算公式如下:

        从“几何”上可以发现,行列式的结果为对角线“\”(称为主对角线)上的元素相乘的结果减去对角线“/”(称为副对角线)上的元素相乘的结果

(2)对于一个三阶行列式,其计算公式如下:

        从“几何”上可以发现,行列式的结果为每条对角线“\”(下图红线)上的元素相乘的结果的和,减去每条对角线“/”(下图蓝线)上的元素相乘的结果的和

        此外也能发现,结果表达式中每一项的元素均来自不同行不同列,且表达式的项数为3!=6,每一项前面可能带正号,也可能带负号

(3)n阶行列式的定义:

6、例题

二、行列式的性质

1、行列式的几个重要性质

(1)行列式的行与列互换,行列式的值不变,行列互换的表示如下所示。

        以三阶行列式为例进行证明,如下为两个三阶行列式的展开式,两个三阶行列式互为进行行列互换的结果,不难发现两个展开式是相等的

(2)行列式的某两行或某两列互换,每互换一次,行列式的值取一次相反数,第一行与第二行互换的表示如下所示,其它情况可以此类推。

        以三阶行列式为例进行证明,对

        分别对变换前和变换后的行列式求解,有

        不难发现,

        若行列式中有两行或两列(及以上)完全相同,则相同的两行或两列互换后仍为其本身,又因为互换一次后行列式的值取一次相反数,所以不难得出行列式的值为0

(3)行列式的某行或某列可以提公因子,提取第二行的公因子的表示如下所示,其它情况可以此类推。

        需注意公因子是按照一行或一列算的,没有对多行或多列提一个公因子的说法,若需要同时对多行或多列提公因子,需逐步进行,每一步提出的公因子相乘即可,如下所示

        如果行列式的某行或某列的元素全为0,则对该行或该列提公因子,提出的公因子是0,不难得出行列式的值为0

(4)若行列式中有两行或两列(及以上)成比例,则行列式的值为0,第一行与第二行成比例的行列式及其结果如下所示,其它情况可以此类推。

        行列式的某行或某列可以提公因子,对成比例的几行或几列的其中一行/列提公因子,即可使行列式中原本成比例的两行或两列完全相同,而行列式中若有两行或两列(及以上)完全相同,则行列式的值为0

(5)若行列式中某行或某列的元素均为两数之和,则行列式可拆分为两个简单行列式之和,按某一行元素拆分的结果如下所示,其它情况可以此类推。

        该性质可通过直接求解上式左右两边的展开式,再结合分配律得证

(6)把行列式的某行或某列的元素全部乘以k(任意非0常数)后加到另一行或列(不改变原本行或列的元素),行列式的值不变,这称为倍加变换,此性质常用于将行列式转换为三角形行列式(对角线的某一侧元素全为0),第一行倍加至第二行的变换如下所示,其它情况可以此类推。

        对倍加变换后的行列式做拆解,针对被倍加的行或列,将其拆分为原本的行或列和另一行或列乘以k的结果相加,前者为原行列式,后者结果为0,此性质得证

2、例题

三、行列式的展开定理

1、余子式与代数余子式

2、行列式的展开定理说明

(1)展开定理内容:

(2)定理说明:一个行列式等于其某行或某列的元素分别乘以其相应的代数余子式再求和

(3)该定理不仅可以应用于行列式降阶,在特定情况下还可应用于行列式升阶,结合行列式的性质可更快地求解行列式的值

(4)一个行列式的某行或某列元素分别乘以另一行或列对应位置元素(列号或行号相同)的代数余子式再求和,结果必为0

3、例题

四、几种典型行列式的计算

1、范德蒙德行列式

(1)范德蒙德行列式的特点:

①第1行或第1列的元素全为1。

②每列或每行元素可构成等比数列,公比在第2行或第2列。

行列式的值等于所有公比元素通过两两组合作差再相乘的结果,对一个n阶范德蒙德行列式,有C_{n}^{2}个公比作差项相乘,对公比元素两两组合得到每一乘数项对应的两个公比元素,列号或行号较大的公比元素减去列号或行号较小的公比元素,即为一个公比作差项,C_{n}^{2}个公比作差项相乘即为行列式的值。

(2)举例:

2、三对角线型行列式

(1)三对角线型行列式的特点:对角线和对角线周围“一步距离”的元素不为0,其余元素全为0。

(2)求解三对角线型行列式的方法:

(3)举例:

3、分块行列式

(1)分块行列式的特点:行列式可横竖分为4块,其中一块中的元素全部为0。

(2)拉普拉斯公式:

(3)举例:

五、克拉默法则

1、非齐次线性方程组与齐次线性方程组

(1)任意一个n元非齐次线性方程组均可表示为

(2)任意一个n元齐次线性方程组均可表示为

2、克拉默法则说明

(1)克拉默法则的内容:

(2)举例验证克拉默法则:

(3)关于克拉默法则的衍生结论:

3、例题

【负荷预测】基于VMD-CNN-LSTM的负荷预测研究(Python代码实现)内容概要:本文介绍了基于变分模态分解(VMD)、卷积神经网络(CNN)和长短期记忆网络(LSTM)相结合的VMD-CNN-LSTM模型在负荷预测中的研究与应用,采用Python代码实现。该方法首先利用VMD对原始负荷数据进行分解,降低序列复杂性并提取不同频率的模态分量;随后通过CNN提取各模态的局部特征;最后由LSTM捕捉时间序列的长期依赖关系,实现高精度的负荷预测。该模型有效提升了预测精度,尤其适用于非平稳、非线性的电力负荷数据,具有较强的鲁棒性和泛化能力。; 适合人群:具备一定Python编程基础和深度学习背景,从事电力系统、能源管理或时间序列预测相关研究的科研人员及工程技术人员,尤其适合研究生、高校教师及电力行业从业者。; 使用场景及目标:①应用于日前、日内及实时负荷预测场景,支持智慧电网调度与能源优化管理;②为研究复合型深度学习模型在非线性时间序列预测中的设计与实现提供参考;③可用于学术复现、课题研究或实际项目开发中提升预测性能。; 阅读建议:建议读者结合提供的Python代码,深入理解VMD信号分解机制、CNN特征提取原理及LSTM时序建模过程,通过实验调试参数(如VMD的分解层数K、惩罚因子α等)优化模型性能,并可进一步拓展至风电、光伏等其他能源预测领域。
【轴承故障诊断】基于融合鱼鹰和柯西变异的麻雀优化算法OCSSA-VMD-CNN-BILSTM轴承诊断研究【西储大学数据】(Matlab代码实现)内容概要:本文研究了一种基于融合鱼鹰和柯西变异的麻雀优化算法(OCSSA)优化变分模态分解(VMD)参数,并结合卷积神经网络(CNN)与双向长短期记忆网络(BiLSTM)的轴承故障诊断模型。该方法利用西储大学轴承数据集进行验证,通过OCSSA算法优化VMD的分解层数K和惩罚因子α,有效提升信号去噪与特征提取能力;随后利用CNN提取故障特征的空间信息,BiLSTM捕捉时间序列的长期依赖关系,最终实现高精度的轴承故障识别。整个流程充分结合了智能优化、信号处理与深度学习技术,显著提升了复杂工况下故障诊断的准确性与鲁棒性。; 适合人群:具备一定信号处理、机器学习及MATLAB编程基础的研究生、科研人员及从事工业设备故障诊断的工程技术人员。; 使用场景及目标:①解决传统VMD参数依赖人工经验选择的问题,实现自适应优化;②构建高效准确的轴承故障诊断模型,适用于旋转机械设备的智能运维与状态监测;③为类似机电系统故障诊断提供可借鉴的技术路线与代码实现参考。; 阅读建议:建议结合提供的Matlab代码进行实践操作,重点关注OCSSA算法的设计机制、VMD参数优化过程以及CNN-BiLSTM网络结构的搭建与训练细节,同时可尝试在其他故障数据集上迁移应用以加深理解。
评论
成就一亿技术人!
拼手气红包6.0元
还能输入1000个字符
 
红包 添加红包
表情包 插入表情
 条评论被折叠 查看
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

Zevalin爱灰灰

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值